净值还在水上 - 节目列表

这篇论文运用Giglio和Xiu(2021)的三步法（纠正遗漏变量与测量误差偏差），系统检验了商品期货截面收益中的可交易与不可交易风险因子定价能力。研究发现，商品市场的随机贴现因子至少由四个潜因子驱动，分别对应商品市场平均收益、动量、投机压力和基差动量；同时，股票、债券与外汇市场的跨资产动量因子在商品截面中被显著定价，表明金融化背景下资产类别间存在收益传导机制。此外，经济政策不确定性（EPU）与波动率类因子携带负风险溢价，意味着商品在宏观不确定性高企的"坏时期"具有保险属性，投资者愿意为这种对冲特性接受更低收益。相比之下，传统宏观经济水平变量及其条件波动率、全球风险厌恶与情绪因子均未表现出显著定价能力。

本文通过理性预期模型证明，涨跌停板制度会截断强信息的完全价格融入，导致涨停后次日开盘出现可预测的价格跳升，从而为"打板"策略性投机者创造了套利空间。投机者通过人为将价格推至涨停价并在次日开盘卖出获利，而非知情交易者因无法区分信息驱动与投机驱动的涨停而高估基本面、遭受损失。模型预测并实证验证了两种模式：封板涨停（locked limit-up）呈现"跳升-反转"模式（次日正收益后长期反转），炸板（failed limit-up）则呈现"崩盘-跑输"模式（从上限急剧下跌且长期表现不佳）。中国2020年创业板涨跌幅限制从10%放宽至20%的自然实验进一步提供了因果证据，表明放宽价格限制能有效缓解投机扭曲、改善价格发现。

本文将趋势跟踪（TF）系统划分为 European、American 与 TSMOM 三类，并以 European 系统为核心建立统一分析框架。作者推导了累积收益的精确样本路径恒等式，将 TF 收益分解为自相关项与漂移项，并首次给出连接 Sharpe 比率与波动率标准化收益自相关函数的闭式解，表明 TF 在零漂移下盈利当且仅当低频谱质量过剩。理论结果在白噪声、AR-1 及 ARFIMA 过程中得到解析验证，且 Monte Carlo 模拟与 84 个期货合约的实证数据高度吻合（预测与实际 Sharpe 比率相关系数达 0.99）。此外，论文证明聚合 TF 收益的正偏度具有结构性，在任意期限均大于零且在半滤波周期附近达到峰值。

该研报提出了一种基于深度强化学习（DRL）的新方法来解决金融市场中的最优订单执行问题，旨在同时最大化收益并最小化风险（特别是市场冲击风险）；研究在包括正常市场以及新冠疫情、通胀与战争等压力市场在内的多种条件下，对大型股、中型股、小型股和ETF进行了广泛测试，结果表明其DRL模型在投资回报和风险管理方面均优于传统的成交量加权平均价格（VWAP）和时间加权平均价格（TWAP）策略。

这篇论文全面回顾了2000年至2024年上半年学术文献中用于预测已实现波动率的所有模型，首次系统比较了传统线性模型与包括卷积神经网络、长短期记忆模型、异质自回归神经网络和Transformer在内的先进机器学习及深度学习方法；研究发现表现最佳的混合卷积神经网络和长短期记忆模型在预测精度上超越了其他模型，这些模型能够捕捉驱动已实现波动率的更广泛因素，而深度学习模型凭借其处理复杂非线性模式的能力通常能提供最准确的预测，但传统线性模型在数据有限或需要高可解释性的场景中仍然具有重要价值。

本文构建了一个基于日度收益率信息的统一资产定价框架，针对以往众多依赖近期日度收益率但角度零散的异象研究，提出同时捕捉收益率时间顺序与幅度排序两大维度的“日度收益率信息”信号，并运用弹性网络回归进行数据驱动的估计，从而构建出可交易的日度收益率信息因子。研究表明该因子在近一个世纪的美国股市中表现强劲且稳健，能产生显著的经济溢价并吸收绝大部分短期市场摩擦类异象的解释力，在应对庞大因子动物园与多种研究设计稳健性检验中均脱颖而出，从而为理解股票横截面收益的短期预测机制提供了一个系统而统一的核心定价因子。

这篇论文采用机器学习方法系统预测标普500指数的成分股删除，通过构建涵盖市值、交易、异质波动率和财务比率等93个特征的数据库，应用逻辑回归、随机森林和XGBoosted随机森林模型进行分析。研究发现，在公告日前四天（AD-4）做空被删除股票能获得比公告前一天（AD-1）更显著的负收益，暗示市场存在信息泄露和提前定价现象；随机森林和XGBoost模型在预测准确性和性能指标上显著优于逻辑回归，最佳模型能正确预测37个删除案例中的35个，并通过置换检验在99%置信水平上显著，结果挑战了强式有效市场假说，表明系统性预测标普500指数成分股删除具有可行性。

这份摩根大通的研报提出了一套革新性的配对交易框架，旨在通过融合人工智能技术来解决传统统计套利策略在现代市场中面临的结构性挑战。该框架包含三个核心层面的改进：首先，利用Ornstein-Uhlenbeck（OU）均值回归模型取代传统的Z-Score方法，通过捕捉均值回归速度和均衡波动率，在除美国以外的全球主要市场显著提升了夏普比率和总回报；其次，引入基于自然语言处理（NLP）的新闻情绪分析作为交易过滤机制，有效规避了与基本面情绪背离的风险交易，特别是在美国市场大幅降低了最大回撤；最后，利用大语言模型（LLM）对市场冲击进行语义归因和分类，区分出诸如供应链中断等“有利冲击”与竞争格局恶化等“不利冲击”，从而实现对交易信号的智能筛选，最终构建了一个适应性更强、风险调整后收益更高的市场中性投资策略。

该论文通过实盘交易实验，揭示了做市商订单面临的一个根本性困境：成交概率与成交后短期收益之间存在强烈的负相关关系。研究发现，在订单簿最优价位挂单时，若订单位于较短的队列中（成交概率高），则成交后价格往往立即向不利方向变动；反之，若想获得成交后的正收益，则需在较长的队列中排队（成交概率低）。这使得许多基于公开信息（如订单簿失衡）的简单做市或吃单策略均无法盈利。论文进一步提出，盈利机会存在于“反转”情景中，即订单簿失衡信号失效、价格朝相反方向变动之时。作者构建了一个机器学习模型来预测此类“反转”，并证明基于此信号的策略能显著改善做市订单的成交后收益，从而为应对这一根本性权衡提供了潜在的解决方案。

该研究通过系统性地将多种人工神经网络架构应用于全球不同市场的股指长期预测，核心探讨了在一个市场指数上训练的模型，在未经任何微调的情况下，直接用于预测另一个市场指数的可行性，即“跨指数训练”的有效性。研究结果表明，这种跨市场预测的准确性与在同一指数上训练的模型相比，在可接受的误差范围内并无显著劣势，甚至在部分情况下表现更优，这主要得益于跨训练可能带来的减轻过拟合效应。这一发现为尤金·法玛提出的有效市场假说提供了来自机器学习领域的间接支持证据，暗示全球市场在长期行为中存在由信息驱动的共同模式，使得从一个市场学习到的模式能够泛化至其他市场。对于量化策略研究员而言，此项研究的价值在于揭示了利用跨市场信息构建泛化能力更强的预测模型的可能性，并提示在策略开发中，可考虑将规模较大或更具代表性的市场指数作为训练集，以提升模型对较小或特定市场走势的预测稳健性，尤其是在不苛求极致精度而更注重策略泛化能力的应用场景下。

本文系统性地探讨了如何通过分析上市公司高管的合法内部交易行为，构建一种基于机器学习的量化投资策略。研究聚焦于高管公开披露的买入交易，通过多维度特征工程与动态模型优化，识别具有高信息含量的内部交易事件，并进一步构建集中持仓的投资组合。以下内容将详细阐述该研究的核心方法论与关键结论，旨在为量化策略研究员提供理论参考与实践启示。

本文对摩根大通于2025年10月29日发布的题为《因子投资：主成分分析及其变体》的研究报告进行了详细阐述。该研究系统性地探讨了传统主成分分析在因子投资应用中的局限性，并提出了两种创新的改进方法——风险溢价主成分分析与夏普比率缩放主成分分析，旨在通过同时利用资产收益的一阶矩和二阶矩信息，更有效地提取具有经济意义的因子，从而提升投资策略的质量。